🔬 physics

Understanding friendship formation with explainable machine learning

Deze studie toont met behulp van een interpreteerbaar machine learning-model aan dat de vorming van sociale relaties onder studenten voornamelijk wordt gedreven door lokale netwerkstructuur, terwijl individuele eigenschappen slechts een rol spelen bij zwakkere en minder gestructureerde banden.

Oorspronkelijke auteurs: María Pereda

Gepubliceerd 2026-03-23

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: María Pereda

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Vrienden worden: Waarom je netwerk belangrijker is dan je persoonlijkheid

Stel je voor dat je een enorme, drukke schoolplein bezoekt met bijna 3.400 leerlingen. Iedereen heeft hier vrienden, maar ook mensen waar ze niet zo goed mee kunnen. De vraag die wetenschappers al jaren bezighoudt, is simpel: Worden vrienden gemaakt omdat ze op elkaar lijken (hun persoonlijkheid), of omdat ze in hetzelfde sociale netwerk zitten?

In dit onderzoek kijken we daar niet met een donkere, ondoorzichtige "black box" naar, maar gebruiken we een slimme, transparante computermodel genaamd EBM (Explainable Boosting Machine). Je kunt dit zien als een super-scherpe detective die niet alleen zegt wie vrienden zijn, maar ook precies uitlegt waarom.

Hier is wat de detective ontdekte, vertaald naar alledaagse taal:

1. De "Drie-Poot" Regel (Triadische Invloed)

Het belangrijkste ontdekking is dat het sociale netwerk zelf de baas is.
Stel je voor dat jij (Lars) en ik (Anouk) elkaar nog niet kennen. Maar we hebben allebei een vriendin, Sophie.

Als Sophie van Lars houdt én van Anouk houdt, is de kans groot dat Lars en Anouk ook vrienden worden.
Als Sophie van Lars houdt, maar Anouk haat, is de kans groot dat Lars en Anouk ruzie krijgen.

Dit noemen de onderzoekers triadische invloed. Het is alsof het sociale netwerk een onzichtbare spier is die mensen naar elkaar toe trekt of van elkaar af duwt.

Het resultaat: In 91% van de gevallen bepaalt deze "drie-poot" regel of mensen vrienden of vijanden worden. De persoonlijke eigenschappen van Lars of Anouk spelen hierbij nauwelijks een rol. Het is alsof het netwerk een treinbaan is; de trein (de vriendschap) rijdt gewoon op de rails die door de gemeenschappelijke vrienden zijn gelegd.

2. Wanneer speelt persoonlijkheid dan een rol?

Je zou denken: "Maar wacht, wat als we geen gemeenschappelijke vrienden hebben?"
De computer ontdekte dat er een heel klein groepje vriendschappen is (slechts 0,24%!) die niet door het netwerk wordt bepaald, maar door de persoonlijke eigenschappen van de mensen zelf (zoals hoe vriendelijk ze zijn of hoe goed ze nadenken).

Maar wat voor soort vriendschappen zijn dit?

Het zijn vaak zwakke of negatieve banden. Het zijn mensen die nog niet echt "in het systeem" zitten.
Het zijn vaak leerlingen die net op school zijn (eerstejaars) of die nog niet diep in de groep zijn verweven.
De analogie: Stel je voor dat het schoolplein een grote dansvloer is. De meeste mensen dansen in een groepje met elkaar (het netwerk). Maar soms zie je twee mensen die nog niet in een groepje passen, en dan bepaalt hun eigen dansstijl of ze naar elkaar toe dansen of juist weglopen. Zodra ze eenmaal in een groepje terechtkomen, is het netwerk weer de baas.

3. De "Lege" Vrienden

Een eerdere studie dacht dat als twee mensen geen gemeenschappelijke vrienden hebben, hun vriendschap puur door hun persoonlijkheid wordt bepaald.
Deze nieuwe studie zegt: Nee, dat is niet zo.
Zelfs als er geen gemeenschappelijke vrienden zijn (de "drie-poot" is leeg), is het antwoord van de computer nog steeds: "Het gebrek aan een netwerk is de reden."

De analogie: Het is alsof je zegt: "Waarom praten deze twee niet met elkaar?" Het antwoord is niet "Omdat ze verschillende smaken in muziek hebben", maar "Omdat ze in verschillende hoeken van de kamer staan en niemand hen met elkaar verbindt." Het ontbreken van een brug is zelf de reden.

4. Wat betekent dit voor ons?

Dit onderzoek leert ons een belangrijke les over hoe mensen zich groeperen:

Het netwerk is de architect: De meeste vriendschappen en vijandschappen worden gevormd door de structuur eromheen (wie kent wie). Dit zorgt voor stabiliteit en balans.
Persoonlijkheid is de verf: Alleen in de uitzonderlijke gevallen, waar het netwerk nog niet sterk is (bijvoorbeeld nieuwe mensen of zwakke banden), bepaalt de eigen persoonlijkheid wie met wie praat.
Stabiel vs. Instabiel: Vriendschappen die door het netwerk worden gedragen, zijn vaak positief en sterk. Diegene die puur door persoonlijkheid worden gedreven, zijn vaak onzekerder of zelfs negatief.

Conclusie in één zin:
We denken vaak dat we vrienden kiezen omdat we op elkaar lijken, maar in werkelijkheid kiezen we elkaar vooral omdat de rest van onze sociale wereld ons daar naartoe duwt. Persoonlijkheid telt alleen mee als je nog niet in een groepje zit.

Titel: Vriendschapsvorming begrijpen met uitlegbare machine learning

Auteur: María Pereda
Trefwoorden: Sociale netwerken, linkpredictie, uitlegbare machine learning (XAI), triadische invloed.

1. Probleemstelling

De vorming van sociale relaties (vriendschappen en vijandschappen) in netwerken is een fundamenteel vraagstuk in de netwerkwetenschap. De centrale vraag is of deze relaties primair worden gedreven door intrinsieke individuele eigenschappen (zoals persoonlijkheid, cognitieve stijl, gender) of door de lokale netwerkstructuur (de sociale omgeving en indirecte connecties).

Eerdere studies suggereerden dat een structurele maatstaf, genaamd "triadische invloed" (indirecte paden van lengte twee tussen twee individuen), de tekens van relaties nauwkeuriger kan voorspellen dan individuele kenmerken. Echter, bestaande modellen waren vaak "black-box" (zoals diepe neurale netwerken), waardoor het moeilijk was om te begrijpen waarom bepaalde relaties werden voorspeld en of er uitzonderingen waren waarbij individuele eigenschappen toch de doorslag gaven. Dit onderzoek streeft ernaar deze mechanismen te ontrafelen door gebruik te maken van interpretable modellen.

2. Methodologie

Dataset:

Bron: Data uit een eerdere studie [1] met zelfgerapporteerde sociale relaties van 3.395 studenten uit 13 middelbare scholen in Spanje.
Relaties: Gerichte links met een signaal van -2 ("zeer slecht") tot +2 ("zeer goed"). Voor de classificatie zijn alleen vriendschappen (+2) en vijandschappen (-2 of -1) geselecteerd.
Kenmerken (Features):
- Individueel: Geslacht, cognitieve reflectie (gemeten via de Cognitive Reflection Test - CRT), en pro-sociaal gedrag (geschaald op basis van economische keuzetaken).
- Structureel: Triadische invloed ( $I_{ij}$ ), gedefinieerd als de som van alle gerichte paden van lengte 2 tussen student $i$ en $j$ ( $I_{ij} = \sum_k w_{ik}w_{kj}$ ).

Modelkeuze en Training:

Vergelijking: Er werden vier modellen getraind en vergeleken: TensorFlow Neural Network, PyTorch Neural Network, XGBoost, en de Explainable Boosting Machine (EBM).
Validatie: Stratified nested cross-validation (5 buitenste en 5 binnenste folds) met Random OverSampling (ROS) om class imbalance aan te pakken.
Selectie: Hoewel alle modellen een vergelijkbare Balanced Accuracy hadden (~0.824), werd de EBM geselecteerd vanwege:
1. De laagste variantie (stabieler).
2. De uitlegbare structuur: EBM is een Generalized Additive Model (GAM) dat niet-lineaire effecten en interacties leert via gradient boosting, maar transparant blijft.

Analyse:
De EBM leert functies $f_j(x_j)$ voor individuele kenmerken en $f_{ij}(x_i, x_j)$ voor interacties. De bijdrage van elke feature aan de log-odds van een positieve link werd geanalyseerd via:

Global Feature Importance: Gemiddelde absolute bijdrage van features.
Dependence Plots: Visualisatie van hoe de waarde van een feature de voorspelling beïnvloedt.
Local Explanations: Analyse van specifieke links om te zien welke feature de voorspelling domineerde (>50% bijdrage).

3. Belangrijkste Resultaten

A. Triadische invloed is de dominante predictor

Globaal: Triadische invloed is verreweg de belangrijkste voorspeller. Ongeveer 91,47% van de voorbeelden wordt gedomineerd door triadische invloed.
Individuele eigenschappen: Slechts 0,24% van de links wordt voornamelijk verklaard door individuele kenmerken (pro-sociaal gedrag, CRT, geslacht).
Dependence Plots: De relatie tussen triadische invloed en de voorspelling is sterk monotoon en glad. Hoge positieve waarden (afgestemde paden) verhogen de kans op vriendschap, terwijl negatieve waarden (conflicterende paden) vijandschap voorspellen. Individuele kenmerken tonen veel zwakkere en minder gestructureerde effecten.

B. Karakterisering van de "Individueel-gedomineerde" subset
Hoewel deze subset klein is (0,24%), biedt ze cruciale inzichten:

Structuur: Deze links ontstaan niet in een fundamenteel andere structurele omgeving, maar vertonen een zwakkere structurele verankering. Ze hebben vaak minder indirecte paden.
Type relatie: Ze zijn significant vaker negatieve of zwakke relaties (35,9% negatief vs. 23,5% bij triadisch-gedomineerde links).
Structurale Balans: Ze vertonen een lagere "balanced ratio" (minder consistent met de theorie van structurele balans in driehoeken) dan de sterk door structuur gedreven links.
Tijdsdimensie: Deze links komen vaker voor bij eerstejaarsstudenten, wat suggereert dat individuele eigenschappen een grotere rol spelen in de vroege fase van netwerkvorming voordat structurele patronen zich hebben gevestigd.
Pro-sociaal gedrag: Er is een lichte verschuiving; individuen met hogere pro-sociale scores zijn vaker betrokken bij deze individueel-gedomineerde links.

C. Links zonder structurele paden
Een eerdere hypothese suggereerde dat links zonder indirecte paden ( $A^2_{ij} = 0$ ) door individuele eigenschappen worden gedreven.

Vindst: Het onderzoek weerlegt dit. Zelfs bij afwezigheid van structurele paden wordt de voorspelling niet toegeschreven aan individuele eigenschappen, maar aan de afwezigheid van structurele versterking zelf (de waarde van triadische invloed is nul, wat voor het model een informatief signaal is).

4. Bijdragen en Significatie

Technische Bijdrage:

Het demonstreert de kracht van Explainable Boosting Machines (EBM) in de sociale netwerkanalyse. In plaats van alleen een voorspelling te doen, maakt het model het mogelijk om de bijdrage van structuur versus individuele eigenschappen kwantitatief te scheiden en te visualiseren.
Het biedt een nuanceerders beeld dan de traditionele "individu vs. structuur" dichotomie.

Wetenschappelijke Significatie:

Gelaagde Vriendschapsvorming: De resultaten ondersteunen een gelaagd model waarbij structurele mechanismen (triadische sluiting) globaal domineren en stabiele, positieve relaties vormen. Individuele eigenschappen spelen echter een rol in specifieke, minder gestructureerde contexten (zoals vroege netwerkvorming of zwakke/negatieve banden).
Rol van Structuur: Het bevestigt dat lokale netwerktopologie een proxy is voor diepere compatibiliteit, maar dat individuele eigenschappen wel degelijk "nucleatie" kunnen veroorzaken in de afwezigheid van structurele versterking.
Toekomstperspectief: De studie suggereert dat tijdsafhankelijke analyses nodig zijn om te zien hoe individueel gedreven banden evolueren naar structureel verankerde relaties.

Conclusie:
Sociale banden worden primair gevormd door de lokale netwerkstructuur. Individuele eigenschappen zijn niet irrelevant, maar hun invloed is beperkt tot een kleine subset van relaties die minder structureel verankerd zijn, vaak negatief van aard, en vaker voorkomen in de vroege stadia van sociale interactie. Uitlegbare machine learning is essentieel om deze subtiele dynamieken te onthullen.